主成分分析确定权重方法.pdfVIP

文章转自 /s/blog_a032adb90101k47u.html 确定权重方法：主成分分析 什么是权重呢？所谓权重， 是指某指标在整体评价中的相对重要程度。 权重越大则该指标的 重要性越高，对整体的影响就越高。 权重要满足两个条件：每个指标的权重在 0 、 1 之间。所有指标的权重和为 1。 权重的确定方法有很多，这里我们学习用主成分分析确定权重。 一、主成分基本思想： 图 1 主成分基本思想的问与答 二、利用主成分确定权重 如何利用主成分分析法确定指标权重呢？现举例说明。 假设我们对反映某卖场表现的 4 项指标（实体店、信誉、企业形象、服务）进行消费者满 意度调研。 调研采取 4 级量表， 分值越大， 满意度越高。 现回收有效问卷 2000 份，并用 SPSS 录入了问卷数据。部分数据见下图（详细数据见我的微盘，下载地址为 /s/yR83T ）。 图 2 主成分确定权重示例数据（部分） 1、操作步骤： Step1：选择菜单：分析 —— 降维—— 因子分析 Step2：将 4 项评价指标选入到变量框中 Step3：设置选项，具体设置如下： 2、 输出结果分析 按照以上操作步骤，得到的主要输出结果为表 1—— 表 3，具体结果与分析如下： 表 1 KMO 和 Bartlett 的检验 表 1 是对本例是否适合于主成分分析的检验。 KMO 的检验标准见图 3。 图 3 KMO 检验标准 从图 3 可知，本例适合主成分分析的程度为 , 一般 ?，基本可以用主成分分析求权重。 表 2 解释的总方差 从表 2 可知，前 2 个主成分对应的特征根 1 ，提取前 2 个主成分的累计方差贡献率达到 94.513% ，超过 80% 。因此前 2 个主成分基本可以反映全部指标的信息， 可以代替原来的 4 个指标（实体店、信誉、企业形象、服务）。 表 3 成份矩阵 从表 3 可知第一主成分与第二主成分对原来指标的载荷数。例如，第一主成分对实体店的 载荷数为 0.957 。 3、确定权重 用主成分分析确定权重有：指标权重等于以主成分的方差贡献率为权重，对该指标在各主 成分线性组合中的系数的加权平均的归一化 因此，要确定指标权重需要知道三点： A 指标在各主成分线性组合中的系数 B 主成分的方差贡献率 C 指标权重的归一化 （1）指标在不同主成分线性组合中的系数 这个系数如何求呢？ 用表 3 中的载荷数除以表 2 中第 1 列对应的特征根的开方。 1/2 例如，在第一主成分 F1 的线性组合中，实体店的系数 =0.957/(2.775) ≈ 0.574。 按此方法， 基于表 2 和表 3 的数据， 在 excel 中可分别计算出各指标在两个主成分线性组合 中的系数（见图 4，其中 SQRT 表示开方） 图 4 各指标在两个主成分线性组合中的系数 由此得到的两个主成分线性组合如下： F1=0.574 1χ-0.019 2χ+0.574 3χ+0.583 4χ +0.996 χ+0.010 χ+0.070 χ F2=- 0.048 1χ 2 3 4 （2 ）主成分的方差贡献率 表 2 中 “初始特征值 ”的 “方差 %”表示各主成分方差贡献率， 方差贡献率越大则该主成分的重 要性越强。 因此，方差贡献率可以看成是不同主成分的权重。 由于原有指标基本可以用前两个主成分代替，因此，指标系数可以看成是以这两个主成分 方差贡献率为权重，对指标在这两个主成分线性组合中的系数做加权平均。 这个